Fog and IoT-based Remote Patient Monitoring Architecture Using Speech Recognition
Notice bibliographique
Résumé
Health care services have become a high demand due to the rise in medical technology. As a result, related resources are being depleted. Hospitals no longer have any space to accommodate for incoming patients. Remote Patient Monitoring (RPM) is a solution to this issue by creating a convenient and easy to access healthcare service. However, RPM systems are constrained by concerns on patient privacy, response time, and patient-service interaction. Patients emphasize their privacy, which requires health care services to maintain the confidentiality of their patient’s information. Wearable health monitors continuously transmit data. This feature results in high volumes of data transmissions towards the servers. In the current state of wearable devices, there is a lack of giving the patient an integrated means of interacting with the healthcare centre and vice versa. In this paper, we propose an architecture that uses fog computing and Internet of Things (IoT) devices to an already existing RPM system and addresses these challenges. The introduced system enables the health care providers to verify any of their data through a local server before it is reported to the main server. Also, this design incorporates a data filter that controls the outgoing data to maintain patient privacy. Finally, the inclusion of a local server offloads the extra data processing that is required from the server for a better flow of data. Tests in latency were executed to investigate the feasibility of a scalable fog architecture against a standard cloud-device setup. The results show that the proposed fog setup yielded significantly lower latencies under an increasing number of RPM rooms compared to the cloud setup. Results further support the fog and IoT-based architecture as a potential option for a scalable RPM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».